Les océanographes qui étudient la physique de l'océan mondial se sont depuis longtemps retrouvés face à une énigme :les équilibres dynamiques des fluides peuvent varier considérablement d'un point à un autre, rendant difficile les généralisations globales.

Des facteurs comme le vent, topographie locale, et les échanges météorologiques rendent difficile la comparaison d'une région à une autre. Pour ajouter à la complexité, il faudrait analyser des milliards de points de données pour de nombreux paramètres :température, salinité, rapidité, comment les choses changent avec la profondeur, s'il y a une tendance présente - pour identifier quelle physique est la plus dominante dans une région donnée.

« Vous devrez examiner un nombre impressionnant de cartes mondiales différentes et les faire correspondre mentalement pour déterminer ce qui compte le plus où, " dit Maike Sonnewald, un post-doctorant travaillant dans le département de la Terre du MIT, Sciences de l'atmosphère et des planètes (EAPS) et membre du programme EAPS en atmosphères, Océans et Climat (APOC). "C'est au-delà de ce qu'un humain pourrait déchiffrer."

Sonnewald, qui a une formation en océanographie physique et en science des données, utilise des ordinateurs pour révéler des connexions et des modèles dans l'océan qui seraient autrement au-delà des capacités humaines. Récemment, elle a appliqué un algorithme d'apprentissage automatique qui a passé au crible de vastes quantités de données pour identifier des modèles dans l'océan qui ont une physique similaire, montrant qu'il existe cinq régions mondiales dynamiquement cohérentes qui composent l'océan mondial.

"C'est incroyable parce que c'est si simple, " dit Sonnewald. " Il prend l'océan mondial vraiment compliqué et le distille en quelques modèles importants. Nous les utilisons pour déduire ce qui se passe et pour mettre en évidence les domaines qui sont plus compliqués."

Sonnewald et co-auteurs Carl Wunsch, Professeur émérite d'océanographie physique à l'EAPS et membre APOC, et Patrick Heimbach, un affilié de recherche EAPS et ancien chercheur principal, maintenant à l'Université du Texas à Austin, ont publié leurs découvertes dans un numéro spécial sur "Geoscience Papers of the Future" à Sciences de la Terre et de l'Espace .

Pour des données sur ce qui se passe dans l'océan, Sonnewald a utilisé l'estimation de l'état Estimating the Circulation and Climate of the Ocean (ECCO). ECCO est une estimation sur 20 ans du climat et de la circulation océaniques basée sur des milliards de points de données d'observation. Sonnewald a ensuite appliqué un algorithme courant dans des domaines allant de la recherche pharmaceutique à la recherche en ingénierie, appelé clustering K-means, qui permet d'identifier des modèles robustes dans les données pour déterminer quelle est la physique dominante dans l'océan et où elle s'applique.

Les résultats montrent qu'il y a cinq clusters qui composent 93,7 pour cent de l'océan mondial. Par exemple, dans le plus grand cluster, représentant 43 pour cent de l'océan mondial, l'attribut physique le plus dominant est que le stress du vent à la surface de l'océan est équilibré par les couples de fond. Zones où cela se trouve :un mince ruban dans l'océan Austral, de vastes zones des mers arctiques, des stries zonales sous les tropiques, et les tourbillons subtropicaux et subpolaires dans l'hémisphère nord.

Les quatre autres groupes décrivent de la même manière la force physique dominante et dans quelle partie de l'océan mondial elle se trouve. L'algorithme a également identifié les 6,3% restants de l'océan comme des zones trop compliquées pour être réduites à un simple ensemble de propriétés physiques. Cette constatation est également utile, dit Sonnewald, car cela permet aux chercheurs de savoir où s'appliquent les valeurs aberrantes.

"Je pense que cela facilitera vraiment beaucoup l'analyse et nous aidera à concentrer nos recherches aux bons endroits, " dit Sonnewald.

Wunsch dit qu'une implication passionnante de la recherche est qu'elle peut aider l'océanographie à ressembler davantage à de la géologie dans la mesure où les chercheurs qui se concentrent sur des régions spécifiques de l'océan peuvent collaborer et comparer leurs notes. Un scientifique travaillant dans une région pourrait comparer cette région à une autre qui se comporte de manière similaire.

"Dans un sens, c'est une meilleure façon d'utiliser nos outils, " dit Wunsch.

Ce qu'il ne peut pas te dire, dit Wunsch, C'est pourquoi les régions se comportent différemment. "Cela prend encore un être humain pour entrer et essayer de comprendre ce qui se passe dans les endroits où la machine s'est identifiée pour regarder, " il dit.

Comme prochaine étape, Sonnewald exécute la même méthode avec des données à plus haute résolution pour cerner les 6,3 % restants compliqués. L'accent sera mis sur le renversement et la circulation gyre, qui sont tous deux sensibles au changement climatique.

Sonnewald espère que ces premières découvertes offriront aux océanographes des preuves convaincantes de travailler davantage avec les scientifiques des données pour révéler davantage de modèles présents dans l'océan mondial. Avant de venir au MIT, Sonnewald a obtenu une maîtrise en simulation de systèmes complexes à l'Institute for Complex Systems Simulation de l'Université de Southampton et un doctorat. en océanographie physique et simulation de systèmes complexes basée au National Oceanography Center de Southampton, Angleterre. Depuis, elle s'est concentrée sur l'application de la science des données à l'océanographie physique en tant que postdoctorante au MIT et à l'Université Harvard.

Les deux domaines ont connu des progrès spectaculaires au cours des dernières décennies, dit Sonnewald. Mais il reste encore un écart entre la puissance de calcul de la "boîte noire" de l'intelligence artificielle et la mine de données d'observation qui rendent possibles des efforts comme ECCO.

« Parce que nous guidons en quelque sorte l'algorithme d'apprentissage automatique en utilisant la physique des océans et en vérifiant les résultats par les régimes canoniques qui, nous le savons, devraient être là, nous sommes en mesure de combler cet écart, " dit Sonnewald. " C'est comme construire un pont entre l'apprentissage automatique et l'océanographie, et j'espère que d'autres personnes vont traverser ce pont."

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.